추론(Inference): 데이터의 전체 가치 해제로 더 스마트한 의사결정 지원

지식 그래프의 추론 능력을 활용하면 조직은 새로운 데이터 연결을 외삽하고 그들이 만드는 모든 새로운 연결을 설명할 수 있습니다.

디지털 트랜스포메이션은 대세이며, 대부분의 경우 디지털 트랜스포메이션의 목표는 데이터를 자산처럼 다루는 것입니다. 어떤 경우에는 데이터 수익화를 의미하고, 다른 경우에는 데이터를 더 효율적으로 활용하여 통찰력을 도출하고 더 나은 결정을 내리는 것이 목표입니다. 그러나 현실에서는 둘 다 달성하기 어렵습니다. 디지털 트랜스포메이션은 점점 더 하이브리드화되고 다양하며 변화하는 데이터로부터 빠른 통찰력을 요구하지만, 전통적인 데이터 통합 플랫폼은 오늘날의 환경을 위해 설계되지 않았습니다. 그 결과, 조직은 더 이상 데이터의 증가하는 복잡성을 따라잡을 수 없으며, 새로운 기회를 발견하기 위해 데이터 간의 숨겨진 관계와 연결을 식별할 수 없습니다. 점점 더 필요한 것은 기업이 서로 다른 데이터셋을 함께 가져와 분석하여 통찰력을 도출할 수 있게 하는 추론 능력입니다.

끝나지 않는 데이터 수집의 복잡한 오늘날의 세계에서 성장과 혁신을 주도하는 것은 IT 팀이 경직된 데이터 구조와 구식 통합 스타일에서 벗어날 때만 가능합니다.

민첩성은 비즈니스 성공의 열쇠이며, 기업들은 내일이나 다음 주가 아닌 바로 지금 데이터가 쓸모 있을 때 데이터를 사용할 수 있기를 간절히 원합니다.

하지만 미개척 가치를 도출하려면 형식, 소스, 기본 기술에 관계없이 데이터의 비즈니스 의미를 기반으로 데이터를 연결하는 능력이 필요합니다. 머신러닝과 기타 소스에서 파생된 엄청난 양의 데이터는 서로 다른 소스에 저장된 관련 정보를 연관시키고, 새로운 연관성을 발견하기 위해 풍부한 관계망을 적용하는 능력을 요구합니다. 이는 디지털 트랜스포메이션의 약속을 실현하는 열쇠입니다. 하지만 어떻게 이를 달성할 수 있을까요?

전제에서 논리적 결론으로: 데이터 패브릭이 필요한 추론을 제공하는 방법

오늘날 조직은 내부 사일로와 외부 소스의 데이터를 엮어 비즈니스 애플리케이션, AI, 분석을 강화하는 정보 네트워크를 생성하는 데이터 패브릭 같은 현대적 통합 접근 방식을 채택하여 반응적 워크플로에서 벗어나 협업적이고 교차 기능적인 프로젝트와 제품을 강화하고 있습니다. 간단히 말해, 이들은 서로 다른 소스에 저장된 정보 간의 연결을 생성하여 오늘날 복잡한 엔터프라이즈의 전체 폭을 지원합니다.

지식 그래프는 효과적인 데이터 패브릭의 필수적인 부분입니다. 이들은 재사용 가능한 정보 네트워크를 생성하고, 다양한 구조의 데이터를 표현하며, 다중 스키마를 지원합니다. 엔터프라이즈 및 서드파티 데이터의 의미적 이해를 생성함으로써, 지식 그래프는 데이터 패브릭의 핵심이 되어 기존 투자를 강화 및 가속화하고 비즈니스 통찰력에 대한 중요한 접근을 제공합니다. 더 중요하게는, 지식 그래프는 데이터를 기계가 이해할 수 있는 현실 세계의 지식으로 전환하여 상황 변화에 따라 의미가 달라지도록 지원합니다. 일단 확립되면, 지식 그래프는 이 풍부한 관계망을 사용하여 데이터 내 새로운 연관성을 발견합니다. 이러한 추론된 관계는 엔터프라이즈 데이터에 대한 더 풍부하고 정확한 뷰를 생성합니다.

개념 간의 계층적 연관을 제공함으로써, 지식 그래프는 뉘앙스가 있는 이해를 제공하여 지식 주도 조직이 새로운 발견을 식별할 수 있게 합니다. 또한 데이터에서 종종 누락되는 맥락을 제공하는데, 지식 그래프는 지식의 변동하는 본질을 지원하도록 목적적으로 구축되었기 때문입니다. 그 결과 기술이 새로운 데이터, 정의, 요구사항을 쉽게 수용하므로 디지털 운영을 위한 더 유연한 기반이 됩니다.

지식 그래프의 데이터 모델은 종종 온톨로지(ontology) 또는 어휘(vocabulary)라고 불리며, 엔티티 간의 공통 관계를 배치하고 기업이 복잡한 도메인을 설명할 수 있게 합니다. 의학을 예로 들어 보겠습니다. 새로운 치료법을 개발하기 위해 제약 회사는 여러 사실, 모델링 구조, 비즈니스 규칙에 접근해야 하며, 이들 모두는 새로운 연결을 암시하기 위해 서로 상호작용해야 합니다. 이 추론 능력이 제조업체가 사용하는 애플리케이션을 통해 사람을 인프라에 연결할 수 있게 합니다. 또한 과거 사건과 새로운 사건의 유사성을 기반으로 통제를 적용하고, 연구에서 조사되는 조건을 기반으로 조사자와 치료 영역 간의 추론된 링크를 찾는 데 도움이 됩니다. 목록은 계속됩니다.

동시에 여러 데이터 모델을 데이터 패브릭에 적용하면 조직은 동일한 데이터에 대한 서로 다른 해석을 요구하는 여러 애플리케이션을 지원할 수 있습니다. 데이터 레이크나 데이터 웨어하우스 같은 전통적인 데이터 통합 접근 방식은 이 점에서 제한적입니다. 왜냐하면 둘 다 하나 이상의 스키마를 지원하기 어렵게 만들기 때문입니다. 이는 기업이 새로운 애플리케이션, 프로젝트, 분석마다 지속적으로 새로운 데이터 사일로를 만들어야 하는 한 이유입니다. 그런 접근 방식은 추론 분석 수행 능력을 감소시킵니다.

연결된 기업 지원 - 성공적인 데이터 패브릭의 추가 구성 요소

지식 그래프의 추론 능력을 활용하면 조직은 새로운 데이터 연결을 외삽할 뿐만 아니라, 그것이 만드는 모든 새로운 연결을 설명할 수 있습니다. 결과를 위한 어떤 이론적 근거나 설명도 제공할 수 없는 블랙박스 추천 시스템과 대조적으로, 지식 그래프는 데이터, 스키마, 비즈니스 규칙의 관점에서 모든 추론과 결과를 설명할 수 있습니다. 이 설명적 투명성은 사용자가 지식 그래프가 어떻게 답에 도달했는지, 어떤 비즈니스 로직을 참조했는지 검토할 수 있게 합니다. 이는 조직 내 신뢰할 수 있는 결과와 책무성을 제공하는 데 중요할 뿐만 아니라, 특정 법적 및 규제 요구사항에도 필요합니다.

지식 그래프가 데이터 패브릭의 핵심 성분이지만, 조직이 성공하기 위해 필요한 유일한 것은 아닙니다. 효과적인 데이터 패브릭은 기존 소스 시스템을 활용하고 연결하는 것을 요구합니다. 또한 기존 데이터 카탈로그, 데이터 레이크, 데이터베이스, 기타 데이터 관리 플랫폼에 연결하는 능력이 필요합니다. 데이터 패브릭 배포를 위해 데이터 카탈로그에서 완료된 작업을 활용하는 것은 데이터 발견과 의미적 강화를 가속화하는 열쇠입니다. 데이터 카탈로그를 입력으로 사용하여 지식 그래프는 엔터프라이즈 데이터 자산의 데이터 맵을 구축하여 기존 소스의 부분적 자동 학습과 자동 매핑을 통해 데이터 패브릭 생성을 더욱 가속화합니다.

엔터프라이즈 전체 데이터 모델 생성은 데이터 패브릭 배포에 관한 또 다른 일반적인 질문입니다. 많은 이들이 잠재적으로 비용이 많이 들고 시간이 많이 걸리는 선행 조건이라고 생각하지만, 실제로는 초기 활용 사례에 필요한 만큼의 개념만 정의하면 됩니다. 더 광범위한 데이터 패브릭 이니셔티브를 주도할 중요한 비즈니스 문제를 식별하는 것부터 시작하십시오. MVP 마인드셋으로 데이터 패브릭에 접근하고 첫 번째 비즈니스 목표를 달성하는 데 필요한 최소한의 작업에만 집중하십시오.

모든 규모의 조직이 디지털 트랜스포메이션에 더 큰 초점과 투자를 두고 있습니다. 이러한 새롭게 고조된 관심에도 불구하고, 근본적인 데이터 과제는 여전히 주요 장애물로 남아 있습니다. 디지털 트랜스포메이션은 데이터 마스터리를 요구하고, IT의 유산 덕분에 단순한 일이 아닙니다. 관리해야 할 것이 너무 많습니다: 데이터 형식, 표준, 데이터 유형, 속도, 스키마, 시스템, 데이터베이스, 사일로, 방법론, 모델 등. 현대 엔터프라이즈 IT 환경의 엄청난 다양성은 압도적입니다.

지식 그래프라는 현대적 접근 방식을 활용하면 조직은 내부 데이터 사일로를 의미 있는 새로운 방식으로 연결할 수 있을 뿐만 아니라, 대규모로 그렇지 않으면 포착할 수 없는 숨겨진 사실과 관계를 추론을 통해 발견할 수 있습니다. 서로 다른 비즈니스 단위가 동일한 엔티티에 대해 가질 수 있는 뉘앙스 있는 의미를 포착함으로써, 조직은 지속적인 시장 변화에 발맞추고 다가올 모든 것에 대비할 수 있는 재사용 가능한 디지털 기반을 만들 수 있습니다.